En el presente estudio, se propone una extensión de la idea de neuronas dinámicas al reemplazar los pesos con una función de peso que se aplica simultáneamente a todas las entradas de la neurona. Se modela un nuevo tipo de neurona artificial llamada neurona integral, en la cual la señal total se obtiene como la integral de la función de peso. La neurona integral mejora a las neuronas tradicionales al permitir que la forma de la señal sea lineal y no lineal. El entrenamiento de la neurona integral implica encontrar los parámetros de la función de peso, donde sus valores funcionales influyen directamente en la señal total en el cuerpo de la neurona. Este artículo presenta evidencia teórica y experimental sobre la aplicabilidad y convergencia de métodos de entrenamiento estándar como el descenso de gradiente, Gauss-Newton y Levenberg-Marquardt en la búsqueda de la función de peso óptima de una neurona integral. La parte experimental del estudio demuestra que una sola neurona integral puede ser entrenada en la función XOR lógica, algo que es imposible para las neuronas clásicas individuales debido a la naturaleza lineal de la suma en sus cuerpos.